IBM SPSS में कारक विश्लेषण कैसे करें

संपादित 3 दिन पहले द्वारा ExtremeHow संपादकीय टीम

आईबीएम एसपीएसएसकारक विश्लेषणडेटा कटौतीविंडोमैकअनुसंधानसॉफ्टवेयरशैक्षणिकशिक्षामनोविज्ञान

कारक विश्लेषण एक उपयोगी सांख्यिकीय तकनीक है जिसका उपयोग चर के एक सेट की संरचना को समझने के लिए किया जाता है। इसे सामान्यत: अंतर्निहित संबंधों की पहचान करने और डेटा को एक छोटे सेट के कारकों में कम करने के लिए लागू किया जाता है। इस गाइड में, हम IBM SPSS स्टैटिस्टिक्स, डेटा विश्लेषण के लिए एक लोकप्रिय सॉफ्टवेयर का उपयोग करके कारक विश्लेषण कैसे करें, इसका अन्वेषण करेंगे।

कारक विश्लेषण समझें

कारक विश्लेषण का उद्देश्य प्रेक्षित चरों के बीच परिवर्तनशीलता की व्याख्या करना और छिपे हुए (गुप्त) कारकों की पहचान करना है जो इन चर पर प्रभाव डाल सकते हैं। प्राथमिक लक्ष्य डेटा सेट की जटिलता को कम करना है ताकि सहसंबद्ध चरों को एक साथ समूहित किया जा सके। इन समूहों को कारक कहा जाता है, और प्रत्येक कारक को एक या अधिक चर घटकों द्वारा दर्शाया जाता है जो डेटा को अर्थ प्रदान करते हैं।

कारक विश्लेषण के दो मुख्य प्रकार हैं:

• अन्वेषणात्मक कारक विश्लेषण (EFA): इसका उपयोग तब किया जाता है जब आपके पास कारकों की संरचना या संख्या के बारे में कोई पूर्वनिर्धारित सिद्धांत नहीं होता है। आप पैटर्न खोजने के लिए डेटा का अन्वेषण करते हैं।
• पुष्टिकरणात्मक कारक विश्लेषण (CFA): इसका उपयोग तब किया जाता है जब आपके पास कथित कारक संरचना के बारे में निश्चित परिकल्पना होती है। CFA SPSS में बुनियादी प्रक्रियाओं के तहत शामिल नहीं है, लेकिन इसके लिए AMOS या अन्य संरचनात्मक समीकरण मॉडल वाहन उपकरण की आवश्यकता होती है।

कारक विश्लेषण के लिए डेटा तैयार करना

कारक विश्लेषण करने से पहले, यह सुनिश्चित करना महत्वपूर्ण है कि आपका डेटा इस तकनीक के लिए उपयुक्त है:

1. नमूना आकार: कारक विश्लेषण के लिए बड़ा नमूना आकार बेहतर होता है। सामान्यतः, नमूना आकार चरों की संख्या से कम से कम पांच गुणा होना चाहिए।

2. डेटा उपयुक्तता: बार्टलेट का गोलाभ परीक्षण और कैसर-मेयर-ओलकिन (KMO) नमूना पर्याप्तता माप द्वारा यह सुनिश्चित करें कि डेटा कारक विश्लेषण के लिए उपयुक्त है। यदि बार्टलेट का परीक्षण महत्वपूर्ण है (p < 0.05) और KMO 0.6 से अधिक है, तो आपका डेटा उपयुक्त माना जाता है।

3. सामान्यता और रैखिकता: चरों को लगभग सामान्य रूप से वितरित और रैखिक रूप से संबंधित होना चाहिए। यह सुनिश्चित करने में मदद करता है कि कारक स्थिर और व्याख्यात्मक हैं।

SPSS में कारक विश्लेषण करना

IBM SPSS स्टैटिस्टिक्स में कारक विश्लेषण करने के लिए दिए गए चरणों का पालन करें:

चरण 1: अपना डेटा फाइल खोलें

SPSS लॉन्च करके और उस डेटा फाइल को खोलें जिसका आप विश्लेषण करना चाहते हैं। File > Open > Data पर क्लिक करें और उस स्थान पर नेविगेट करें जहां आपकी डेटा फाइल स्थित है।

चरण 2: कारक विश्लेषण मेनू का उपयोग करें

मुख्य मेनू से, Analyze > Dimension Reduction > Factor विकल्प चुनें। इससे कारक विश्लेषण संवाद बॉक्स खुलेगा, जहां आप अपने परिवर्तनीय और प्राथमिकताएं निर्दिष्ट करेंगे।

चरण 3: परिवर्तनीय चुनें

उन चरों को बाईं खिड़की (परिवर्तनीय सूची) से दाईं खिड़की (परिवर्तनीय बॉक्स) में ले जाएं जिन्हें आप विश्लेषण में शामिल करना चाहते हैं। ये वे परिवर्तनशील हैं जिन पर आपको लगता है कि कुछ सामान्य कारक साझा करते हैं। उदाहरण के लिए, यदि आप मनोवैज्ञानिक संरचनाओं का अध्ययन कर रहे हैं, तो आपके पास चिंता, अवसाद, तनाव जैसे परिवर्तनशील हो सकते हैं।

चरण 4: निष्कर्षण विधि चुनें

Extraction... बटन पर क्लिक करें यह निर्दिष्ट करने के लिए कि कारकों को कैसे निकालना चाहिए:

• मुख्य घटक विश्लेषण: यह सबसे सामान्य विधि है जब लक्ष्य केवल डेटा कमी है, और किसी अंतर्निहित कारक मॉडल को नहीं माना जाता है।
• मुख्य अक्ष कारकता: इसका उपयोग तब किया जाता है जब अंतर्निहित कारकों का अनुमान होता है, साझा अनसारीफटी पर ध्यान केंद्रित करता है।
• आप किसी अन्य निष्कर्षण विधि का चयन कर सकते हैं, जो आपके उद्देश्य और डेटा अनुमानों पर निर्भर करती है।

यह चुनें कि आप कितने कारक निकालना चाहते हैं, या Eigenvalues पर क्लिक करें कि SPSS को परिवर्तनशीलता के आधार पर निर्णय लेने दें।

चरण 5: रोटेशन विधि निर्दिष्ट करें

Rotation... पर क्लिक करें रोटेशन संवाद बॉक्स खोलने के लिए। रोटेशन एक सरल और अधिक व्याख्यात्मक कारक संरचना प्राप्त करने में मदद करता है:

• वेरिमैक्स: एक ऑर्थोगोनल रोटेशन विधि जो प्रत्येक कारक पर उच्च लोडिंग की संख्या को न्यूनतम करता है, इस प्रकार व्याख्या को सरल बनाता है।
• ऑब्लिमिन: एक ओब्लिक रोटेशन विधि जो कारकों को सहसंबद्ध होने की अनुमति देती है। इसका उपयोग तब करें जब आपको लगता है कि कारक संबंधित हो सकते हैं।

एक विधि चुनें जो अंतर-कारक संबंधों के बारे में आपके सिद्धांत के साथ संगत हो।

चरण 6: डेटा की कार्यकारिता का मूल्यांकन करें

Descriptive... विकल्प में, KMO and Bartlett test चुनें। ये सांख्यिकी आपके डेटा की अव्यक्तता का मूल्यांकन करने में मदद करेंगे। आउटपुट आपको यह दिखाएगा कि आपका डेटा कारक विश्लेषण के लिए उपयुक्त है या नहीं।

चरण 7: विश्लेषण चलाएं

अपने विकल्प निर्दिष्ट करने के बाद, विश्लेषण चलाने के लिए OK पर क्लिक करें। SPSS आपके डेटा को संसाधित करेगा और परिणामों को दिखाने वाली एक आउटपुट विंडो उत्पन्न करेगा।

SPSS कारक विश्लेषण आउटपुट की व्याख्या करना

एक बार विश्लेषण पूरा होने के बाद, आपको SPSS द्वारा उत्पन्न आउटपुट के कई प्रमुख घटकों की व्याख्या करने की आवश्यकता होगी:

1. KMO और बार्टलेट परीक्षण

KMO को 0.6 से ऊपर होना चाहिए ताकि यह संकेत देने के लिए कि आपका नमूना आकार कारक विश्लेषण के लिए पर्याप्त है। बार्टलेट का गोलाभ परीक्षण महत्वपूर्ण होना चाहिए (p < 0.05), यह सुझाव देता है कि चर पर्याप्त रूप से सहसंबद्ध हैं ताकि एक विश्वसनीय कारक संरचना प्रदान कर सकें।

2. कुल परिवर्तनशीलता की व्याख्या करना

यह तालिका प्रत्येक निकाले गए कारक द्वारा समझाई गई परिवर्तनशीलता को दिखाती है। चुने गए कारकों की संख्या सामान्यतः संचयी परिवर्तनशीलता के कम से कम 60% के लिए जिम्मेदार होनी चाहिए। प्रत्येक कारक द्वारा समझाई गई परिवर्तनशीलता का प्रतिशत यह निर्धारित करने में मदद करेगा कि आपको कितने कारकों को बनाए रखना चाहिए।

3. स्क्री प्लॉट

स्क्री प्लॉट प्रत्येक कारक के ईजेनवैल्यू का एक दृश्य निरूपण प्रदान करता है। "एल्बो" की तलाश करें, जहां ईजेनवैल्यू समतल होना शुरू होता है। उन कारकों को बनाए रखें, जिनके ईजेनवैल्यू > 1 हैं, या वे जो उस बिंदु से आगे हैं जहां वक्र समतल हो जाता है।

4. घटक मैट्रिक्स

घटक मैट्रिक्स दिखाता है कि प्रत्येक कारक पर प्रत्येक परिवर्तनशील का लोडिंग कितना है। लोडिंग मान 1 या -1 के निकट मजबूत संबंधों का संकेत देते हैं, जबकि 0 के निकट मान कमजोर संबंधों का संकेत देते हैं। उन पैटर्न की तलाश करें जहां कुछ परिवर्तनशील विशेष कारकों पर उच्च लोडिंग दिखाते हैं।

5. रोटेटिंग घटक मैट्रिक्स

रोटेशन अक्सर लोडिंग की पैटर्न को स्पष्ट और व्याख्या को सरल बनाता है। प्रत्येक परिवर्तनशील मुख्य रूप से एक कारक पर लोड हो जाता है, जिससे यह विचार मिलता है कि कारक का क्या अर्थ है।

6. कारक रूपांतरण मैट्रिक्स

यह मैट्रिक्स केवल तब प्रासंगिक होता है जब आप ओब्लिक रोटेशन लागू करते हैं, जो रोटेटिड कारकों के बीच सहसंबंध को स्पष्ट बनाता है। यदि ऑर्थोगोनल रोटेशन का उपयोग किया जाता है, तो कारक सहसंबद्ध नहीं होंगे और इस मैट्रिक्स की आवश्यकता नहीं हो सकती है।

SPSS में कारक विश्लेषण का त्वरित उदाहरण

आइए एक उदाहरण के माध्यम से कारक विश्लेषण की अवधारणा और कार्यान्वयन को SPSS में देखें।

मान लीजिए कि आपने 200 प्रतिभागियों से सर्वे डेटा एकत्र किया है जिन्होंने मानसिक स्वास्थ्य, जीवनशैली, और उत्पादकता पर प्रश्नों का उत्तर दिया है। आपके पास "खुशी," "कार्य प्रेरणा," "फिटनेस स्तर," "तनाव स्तर," "सामाजिक गतिविधि," और इसी तरह के परिवर्तनशील हैं। आप संदेह करते हैं कि सामान्य आंतरिक कारक इन चरों की व्याख्या कर सकते हैं।

1. अपना डेटासेट SPSS में लोड करें और इन चरों का चयन करें: “खुशी,” “कार्य प्रेरणा,” “फिटनेस स्तर,” “तनाव स्तर,” “सामाजिक गतिविधि।”

2. Analysis > Dimension Reduction > Factor के माध्यम से कारक विश्लेषण विंडो खोलें।

3. चयनित चरों को वर्ग में ले जाएं।

4. Extraction के तहत, “मुख्य घटक” चुनें और 1 से ऊपर के ईजेनवैल्यू नोट करें ताकि कारकों की संख्या का निर्णय लिया जा सके।

5. आपके कारक संरचना को सरल बनाने के लिए वेरिमैक्स रोटेशन विधि चुनें।

6. विश्लेषण को चलाने के लिए OK पर क्लिक करें।

आउटपुट में, इनकी जाँच करें:

• KMO: सुनिश्चित करें कि यह 0.6 से ऊपर है।
• बार्टलेट परीक्षण: पुष्टि करें कि यह महत्वपूर्ण है।
• कुल व्याख्यायित परिवर्तनशीलता: सुनिश्चित करें कि कारक 60% से अधिक परिवर्तनशीलता को समझाते हैं।
• स्क्री प्लॉट: पहचानें कि जहां वक्र समतल हो गया है।
• रोटेटिड घटक मैट्रिक्स: स्पष्टता के लिए एकल कारक पर मजबूत लोडिंग की जाँच करें।

रोटेटिड घटक मैट्रिक्स में घटक लोडिंग के आधार पर, आप कारकों की व्याख्या इस प्रकार कर सकते हैं:

• कारक 1: "सामाजिक गतिविधि" और "खुशी" से संबंधित है।
• कारक 2: इसमें “कार्य प्रेरणा” और “फिटनेस स्तर” शामिल हैं।
• कारक 3: “तनाव स्तर” का प्रभुत्व, जो नकारात्मक पहलू को इंगित करता है।

ये परिणाम सामाजिक खुशी, उत्पादकता-प्रेरणा और तनाव से संबंधित तीन अंतर्निहित कारकों का सुझाव देते हैं। ये व्याख्याएं आगे के अन्वेषणात्मक या पुष्टिकरणात्मक अनुसंधान को सुदृढ़ करने के लिए मार्गदर्शिका कर सकती हैं।

निष्कर्ष

SPSS के भीतर कारक विश्लेषण छिपे हुए संबंधों को उजागर करने और डेटा आयामिकता को कम करने की एक शक्तिशाली विधि है, जो शोधकर्ताओं और विश्लेषकों को जटिल डेटा सेटों की प्रभावी व्याख्या करने में मदद करता है। इस तकनीक के उचित निष्पादन के माध्यम से – डेटा तैयारी, उपयुक्त विधि चुनाव, और संपूर्ण परिणाम व्याख्या – आप शोध उद्देश्यों के साथ संरेखित सार्थक अंतर्दृष्टि प्राप्त कर सकते हैं।

  इस लेख को साझा करें

यदि आपको लेख की सामग्री में कुछ गलत लगता है, आप कर सकते हैं अपडेट का अनुरोध करें